Um Novo Método Usando Autocorrelação para Extração da Freqüência Fundamental em Sinais de Voz
|
|
- Anna Caires Amado
- 7 Há anos
- Visualizações:
Transcrição
1 TEMA Tend. Mat. Apl. Comput., 8, No. 2 (2007), c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Um Novo Método Usando Autocorrelação para Extração da Freqüência Fundamental em Sinais de Voz A.S. BRANDÃO1, E. CATALDO 2, F.R. LETA 3, Universidade Federal Fluminense, Rua Passos da Pátria, 156, São Domingos, Niterói, RJ, Brasil. Resumo Este artigo descreve o algoritmo de extração da freqüência fundamental do sinal de voz usado na implementação do programa P-NAV (Programa Neuro Analizador Vocal), por Brandão (2006). O método proposto toma como base o algoritmo descrito por Boersma (1993), que usa o método da autocorrelação, e desenvolve quatro algoritmos obtendo, com isso, um método mais robusto para marcar corretamente os períodos do sinal de voz, mesmo em trechos severamente perturbados e diplofônicos. 1. Introdução A detecção da freqüência fundamental do sinal de voz (ou pitch) é fundamental no processamento de sinais de voz, pois indica diretamente a presença de vocalização, ou seja, que as cordas vocais estão vibrando. A maioria das medidas acústicas depende da detecção do pitch e a diferença entre os valores das medidas acústicas nos programas existentes é devida, em grande parte, à diferença entre os diversos algoritmos usados [10]. Um dos algoritmos bem conhecidos é o de Boersma [1], que usa o método da autocorrelação. Porém, esse algoritmo apresenta diversas falhas, que propomos corrigir com o método que será descrito no decorrer desse artigo. 2. Janelas e Detecção de Trechos Vocalizados O primeiro ajuste feito, em relação ao algoritmo de Boersma [1], é relacionado à escolha das janelas que deveriam ser descartadas da análise do período do sinal de voz, baseada no critério de preenchimento da janela. Por exemplo, dada uma janela em uma posição do arquivo de som, ela será analisada pelo algoritmo apenas se estiver pelo menos 3/4 preenchida com trecho vocalizado. A Fig. 1 ilustra os casos. O algoritmo proposto determina, em cada posição da janela, se há vocalização ou não, através da verificação da existência de pelo menos um valor de amplitude 1 Programa de Pós-Graduação em Engenharia Mecânica; brandaoalexandre@ig.com.br 2 Departamento de Matemática; Programa de Pós-Graduação em Engenharia de Telecomunicações, ecataldo@im.uff.br 3 Departamento de Engenharia Mecânica; fabiana@vm.uff.br
2 192 Brandão, Cataldo e Leta Figura 1: Determinação de trechos vocalizados. t 1 - não vocalizado, t 2 e t 3 - vocalizados acima do limiar de silêncio (outro parâmetro do programa P-NAV) [3], para cada quarta parte da janela. Caso encontre vocalização em pelo menos três quartos da janela, a função de autocorrelação é calculada para determinação do período da freqüência fundamental. Caso contrário, avança para a próxima janela e reinicia o procedimento. 3. Algoritmo para Seleção do Pico da Função de Autocorrelação Todo algoritmo que depende apenas do cálculo da função de autocorrelação para definir os períodos do sinal de voz está sujeito à escolha dos picos errados nesta função, podendo atribuir para a freqüência fundamental valores maiores ou menores que o valor correto. Quando a janela atravessa trechos de grande variação na forma de onda do sinal (trechos silenciosos para trechos vocalizados ou variação brusca da freqüência fundamental entre dois trechos), a autocorrelação se reduz e seus picos tendem a se reduzirem, com exceção dos mais próximos da origem, fazendo com que o algoritmo escolha um valor de período menor do que deveria. Para os casos em que o problema é a mudança da freqüência fundamental de forma brusca entre dois trechos do arquivo, o primeiro algoritmo aqui proposto define um critério de seleção do pico da função de autocorrelação. Quando a forma do sinal de voz tende a ser muito parecida com a de um sinal periódico, pode enganar a função de autocorrelação. Por exemplo, de dois em dois períodos o sinal também se repete, fazendo com que o algoritmo escolha um pico (o máximo) localizado a uma distância da origem que pode ser múltipla da distância de outro pico (de valor menor), que deveria ser o escolhido. A Fig. 2-(a) mostra o trecho do sinal marcado corretamente pelo algoritmo do P-NAV. Repare que a diferença entre os instantes de tempo das linhas verticais corres-
3 Extração da Freqüência Fundamental em Sinais de Voz 193 (a) (b) Figura 2: (a) Períodos corretos marcados. (b) Picos da Função de Autocorrelação. ponde a s, que é o período correspondente ao pico da função de autocorrelação mais próximo da origem, Fig. 2-(b). Visando corrigir o problema descrito acima, dada a função de autocorrelação do trecho do sinal, foi implementado o seguinte critério de escolha: 1. Localize o primeiro máximo P, que estará a uma distância T da origem. T é o valor do primeiro candidato a período local. 2. Verifique se existe algum candidato a máximo mais provável a uma distância maior que T. 2.1 Localize o próximo máximo P 2 (que, se encontrado, estará a uma distância T 2 maior que T). 2.2 A altura deste máximo deve ser maior ou igual a 50 % (atualizado em relação à referência [3]) do primeiro máximo e T 2 deverá ser superior ao triplo de T, caso contrário rejeitar P 2. Obs: Isso evita a escolha de picos próximos demais da origem, causados por trechos de baixa autocorrelação do sinal. 2.3 Se P 2 foi rejeitado ou escolhido, o passo 3 a seguir vale para P ou P 2, respectivamente. 3. Verifique se existe algum candidato a máximo mais provável, a uma distância menor que T. 3.1 Localize o máximo anterior P 2 (que, se encontrado, estará a uma distância T 2 menor que T). 3.2 A altura deste máximo deve ser maior ou igual a 50% (atualizado em relação à referência [3]) do primeiro máximo e T 2 deverá ser aproximadamente a metade de T, caso contrário rejeitar P 2. Obs: Isso evita a escolha de picos distantes demais da origem causados por funções de autocorrelação geradas devido a trechos com formas muito próximas da periodicidade do sinal. Ver Fig. 2-(b). As modificações acima são capazes de eliminar alguns erros, mas não todos.
4 194 Brandão, Cataldo e Leta Detectar o pico correto da função de autocorrelação influi de maneira decisiva na marcação dos períodos do sinal de voz. A magnitude desses picos decai com a distância da origem. Baseado nesse decaimento foi estipulado o critério de seleção do próximo candidato a período dos passos 2.2 e 3.2. Outros artigos utilizam técnicas diferentes (cepstrum [5], correlação cruzada normalizada [11], etc.) para extração da freqüência fundamental. A maioria busca uma estimativa média desta freqüência em um trecho do sinal de voz, com a preocupação maior de descartar os trechos do sinal com detecção ruim, não sendo, portanto, passíveis de comparação com o algoritmo deste trabalho, cujo objetivo é definir e marcar a posição correta de cada pulso do sinal de voz, mesmo nos trechos difíceis ou impossíveis, pois, como será visto, nestes trechos foi usada interpolação linear para estimar os valores. Motliček [9] usa otimização em grafos, para melhorar métodos de detecção existentes. Na referência [7] é usado um método para estimar diferentes freqüências fundamentais em arquivos com sons de instrumentos musicais. A idéia básica é estimar a freqüência independentemente para diferentes faixas do espectro e depois ver qual tem a maior probabilidade de ser a fundamental. Possui boa taxa de acerto, mas não marca os pulsos graficamente e não usa interpolação para os trechos de difícil detecção. Além disso, os sons de instrumentos musicais têm periodicidade muito melhor definida do que a voz humana. 4. Algoritmo de Extração do Pitch Este algoritmo é a base da análise do sinal de voz feita pelo programa P-NAV [3]. Ele varre o arquivo do início ao fim, obtendo os valores locais do período da freqüência fundamental, bem como os valores locais da medida HNR. Seus resultados são usados posteriormente pelo algoritmo que faz a marcação dos pulsos. 1. Definir o tamanho da janela (seis vezes o período da mínima freqüência detectável). Isso mantém o erro na ordem de 10 6 para sinais com essa freqüência conforme referência [1]. 2. Definir a velocidade da janela, que é o passo de avanço da região de análise ao longo do arquivo de som. 3. Percorrer o arquivo de som do início ao fim, avançando trecho selecionado e para cada trecho: 3.1 Calcular autocorrelação do sinal. 3.2 Localizar o máximo na função de autocorrelação (algoritmo da subseção anterior). 3.3 Pela posição desse máximo, definir o período local. 3.4 Pela magnitude desse máximo, definir o valor para o HNR local. O passo 3 gera um vetor com os diversos períodos locais e valores de HNR locais determinados para os pontos em que a janela se fixou, alguns certos, alguns errados, caso a forma de onda do sinal gere baixa autocorrelação em alguns pontos. Ver Figura 3-(a). Para sinais que, mesmo perturbados, possuam uma certa periodicidade, os valores de período corretos serão sempre em maior quantidade que os
5 Extração da Freqüência Fundamental em Sinais de Voz 195 errados, mas ainda assim existem erros. 5. Algoritmo de Filtragem de Períodos com Valor Errado A solução foi proceder à eliminação dos valores errôneos. Cada valor de período em que ocorre erro é geralmente um múltiplo ou um divisor do valor correto. Então, entre dois períodos consecutivos há um salto. Baseado neste detalhe foi criado o seguinte algoritmo: 1. Percorrer o vetor de períodos. 2. Comparar o período atual e o seguinte. 2.1 Se o módulo da diferença entre os dois for superior a 27% (valor experimental) Eliminar (atribuir valor zero) a todos os períodos que tenham valor 5% em torno daquele que tiver menor incidência no vetor. Após o término da filtragem dos períodos errôneos, o vetor de períodos ficará com algumas componentes eliminadas (com valor zero). Para colocar o valor correto nessas componentes é feita a interpolação linear dos valores das componentes diferentes de zero. Ver Figura 3-(b). (a) Figura 3: (a) Erros de Extração do Período pela Função de Autocorrelação. (b)períodos Interpolados. A escolha dos valores de 27% e 5% para os passos 2.1 e partem de um princípio muito simples. Estamos supondo que, quando uma pessoa emite uma vogal sustentada, não pode haver variação superior a 27% entre dois períodos consecutivos sem que haja erro na detecção de um dos valores. Para não eliminarmos muitos períodos, caso a detecção de erro tenha sido equivocada, estabelecemos o valor de 5% para o passo Isso torna o algoritmo mais poderoso, capaz de suportar variações bruscas de freqüência, Figuras 4-(a), (b) e (c). (b)
6 196 Brandão, Cataldo e Leta (a) (b) (c) Figura 4: (a) Períodos extraídos. (b) Filtragem e interpolação. (c) Períodos corretos marcados pelo algoritmo da próxima seção. A próxima etapa é marcar os períodos no gráfico do arquivo nas posições corretas. O algoritmo de marcação dos pulsos, descrito a seguir, utiliza o vetor de períodos calculados anteriormente. Sendo assim, a filtragem dos períodos errôneos, seguida da interpolação dos valores, traz grandes benefícios. Essa interpolação permite que o algoritmo de marcação dos pulsos funcione muito bem, pois sempre existirá uma referência correta para o valor do período local, permitindo acertar a marcação em sinais com certa periodicidade, porém com muitas ondulações e distorções na forma de onda, que geram valores de autocorrelação que, algumas vezes, não permitem a detecção do período local (Fig. 5). 6. Algoritmo de Marcação dos Pulsos O algoritmo para marcar os períodos é descrito a seguir: 1. Percorrer o arquivo de som com velocidade de janela igual a 1 (passo de avanço igual ao tamanho da janela) até encontrar o primeiro valor P acima do parâmetro limiar de silêncio.
7 Extração da Freqüência Fundamental em Sinais de Voz 197 Figura 5: Marcação dos Pulsos (trechos diferentes do mesmo arquivo). 2. Encontrado esse valor P (e a sua posição no arquivo), encontre o valor de período determinado anteriormente para uma janela localizada numa posição que contenha a posição em que o valor P se encontra. 3. A partir da posição de P no arquivo, até a posição de P mais valor do período local, encontre um mínimo M 1 (e a sua posição no arquivo), encontre o valor de período determinado anteriormente para uma janela localizada numa posição que contenha a posição em que o valor M 1 se encontra. 4. A partir da posição do mínimo M 1, o próximo mínimo é encontrado numa faixa em torno de 10% do valor da posição de M 1 no arquivo, mais o período local. Esses 10% correspondem ao parâmetro fator de busca que também pode ser ajustado na interface do programa, sendo 10% um valor padrão, que foi obtido experimentalmente. 5. Os mínimos vão sendo encontrados e marcados seqüencialmente até que o arquivo ou o trecho vocalizado se acabem. Figura 6: Algoritmo de Marcação dos Pulsos. A Figura 6 ilustra os passos do algoritmo de marcação dos pulsos do sinal de
8 198 Brandão, Cataldo e Leta voz. A partir dos valores dos pulsos marcados no algoritmo descrito anteriormente, são calculados os períodos reais do sinal de voz. Assim, é obtido um novo vetor de períodos, onde cada componente é formada pela diferença entre as posições no arquivo de cada dois pulsos consecutivos. Segundo o artigo de Rabiner et al [10] é extremamente difícil detectar a freqüência fundamental para pacientes diplofônicos, mesmo nas melhores condições. Nestes casos, a maioria dos algoritmos detectores de freqüência fundamental tendem a marcar o período como sendo a distância entre os períodos alternados e não entre os períodos adjacentes, fornecendo como resultado a metade do valor real da freqüência fundamental. 7. Robustez contra Diplofonia Um sinal de voz possui características de diplofonia quando os pulsos alternados são iguais em período e amplitude, ao passo que os pulsos consecutivos são diferentes. Algoritmos que usam apenas autocorrelação tendem a marcar os períodos com o dobro do tamanho real, porque a autocorrelação de dois em dois períodos tende a ser maior que de um em um. Porém, com o critério de seleção, filtragem e marcação de pulsos implementado, foi possível marcar corretamente os períodos. Uma pergunta que surge é: como saber se a freqüência fundamental está sendo detectada com a metade do valor real, ou se o valor real é esse mesmo? (Pois o sinal também se repete de dois em dois períodos). O fato é que, neste caso, a voz era de um paciente do sexo feminino e a freqüência estava sendo detectada como 93 Hz no trecho diplofônico, valor característico de voz grave (masculina). A Figura 7 mostra o gráfico dos períodos detectados antes do ajuste nos parâmetros. Repare que o trecho inicial do arquivo não é diplofônico, correspondendo a um período médio de s ( Hz), enquanto que de 0.5 s em diante o sinal passa a se tornar diplofônico, registrando um período médio correspondente a s (93 Hz). Figura 7: Períodos detectados (método convencional). O gráfico dos períodos na Fig. 7 deveria ter sua média em torno de s, que é o valor correto do período médio para o paciente em questão. Este algoritmo
9 Extração da Freqüência Fundamental em Sinais de Voz 199 permite que isso aconteça. As Figuras 8-(a) e (b) mostram um mesmo trecho do arquivo, na região diplofônica, para que se possa visualizar melhor a diferença de marcação dos períodos. (a) Figura 8: (a) Marcação dos pulsos no trecho diplofônico (antes). (b) Marcação dos pulsos no trecho diplofônico (depois). (b) 8. Conclusões Um novo método para extração da freqüência fundamental é proposto. O método foi testado e comparado com resultados obtidos por outros métodos, e os resultados apresentaram-se melhores, principalmente em relação à determinação de freqüência fundamental para vozes diplofônicas. Embora o método tome como base o cálculo da função de autocorrelação para a marcação dos períodos, a novidade está no fato de que não é essa a única ferramenta usada e, dessa forma, maior robustez é obtida. Referências [1] P. Boersma, Accurate short-term analysis of the fundamental frequency and the harmonics-to-noise ratio of a sampled sound, IFA Proceedings, 17 (1993), [2] A. Brandão, F.R. Leta, Usando redes neurais para classificação de padrões de voz, em XXVII CNMAC - Congresso Nacional de Matemática Aplicada e Computacional, SBMAC, [3] A. Brandão, Classificação de Vozes Naturais e de Vozes Sintetizadas através de Modelos Mecânicos de Laringe e de Trato Vocal usando Redes Neurais, Dissertação de Mestrado, Universidade Federal Fluminense, Niterói, RJ, [4] A. Brandão, E. Cataldo, R. Sampaio, Análise e Processamento de Sinais, Apostila, SBMAC, 2005.
10 200 Brandão, Cataldo e Leta [5] J. Cernocky, Speech Processing Using Automatically Derived Segmental Units, PhD Thesis, ESIEE, France, [6] M.P. Karnell, Laryngeal perturbation analysis: minimum length of analysis window, Journal of Speech and Hearing Research, 34 (1991), [7] A.P. Klapuri, Multiple fundamental frequency estimation based on harmonicity and spectral smoothness, IEEE Transactions on Speech and Audio Processing, 11, No. 6 (2003). [8] P. Lieberman, Perturbation in vocal pitch, Journal of the Acoustical Society of America, 33 (1961), [9] P. Motlíček, L. Burget, Reliability Improvement of Speech Pitch Detetion Using Paths, Institute of Radio Electronics, Faculty of Electrical Engineering, TU Brno, [10] L.R. Rabiner, et al., A comparative performance study of several pitch detection algorithms, IEEE Transactions on Acoustics, Speech, and Signal Processing, ASSP-24, No. 5 (1976). [11] D. Talkin, A Robust Algorithm for Pitch Tracking (RAPT). Speech Coding and Synthesis. New York, Elsevier, [12] D. Wong, R. Lange, I. Titze, C.G. Guo, Mechanisms of Jitter-Induced Shimmer in a driven model of vocal fold vibration, in NCVS Status and Progress Report, pp , 1995.
DETERMINAÇÃO DO GÊNERO DO LOCUTOR USANDO A TRANSFORMADA RÁPIDA DE FOURIER
Revista Ciências Exatas ISSN: 1516-893 Vol. 1 Nº. Ano 015 Natanael M. Gomes Universidade de Taubaté Marcio Abud Marcelino Universidade Estadual Paulista Universidade de Taubaté Francisco José Grandinetti
Leia maisCarlos Roberto da Costa Ferreira. Interpolação Modificada de LSF's. Dissertação de Mestrado
Carlos Roberto da Costa Ferreira Interpolação Modificada de LSF's Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa de Pósgraduação em
Leia maisSegmentação automática de sinais musicais monofônicos para análise da expressividade
Segmentação automática de sinais musicais monofônicos para análise da expressividade Tairone Magalhães Rodrigo Borges Thiago Campolina Davi Mota Maurício Alves Loureiro Universidade Federal de Minas Gerais
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisTecnologias Computacionais Aplicadas À Análise De Sinais De Voz
Tecnologias Computacionais Aplicadas À Análise De Sinais De Voz Charles Alexandre Blumm, José Luis Gómez Cipriano Instituto de Ciências Exatas e Tecnológicas (ICET) Centro Universitário Feevale Campus
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisUm Ambiente para Processamento Digital de Sinais Aplicado à Comunicação Vocal Homem-Máquina
Um Ambiente para Processamento Digital de Sinais Aplicado à Comunicação Vocal Homem-Máquina Márcio G. Passos e Patric L. Silva marcio_passos@yahoo.com.br e lacouth@gmail.com Silvana Luciene do N. Cunha
Leia maisSíntese de Áudio. CIC Prof. Márcio Brandão
Síntese de Áudio CIC 111513 Prof. Márcio Brandão (brandao@unb.br) Sistemas de áudio digital n Análise Sistemas de áudio digital n Síntese Sistemas de áudio digital n Processamento Histórico Linguagens
Leia maisQuantificação da Vibração Cumulada das Pregas Vocais com Aplicação de Acelerômetro
https://eventos.utfpr.edu.br//sicite/sicite2017/index Quantificação da Vibração Cumulada das Pregas Vocais com Aplicação de Acelerômetro RESUMO Letícia Veiga Cena da Silva leticiaveigacs@gmail.com Universidade
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisFicha de Avaliação de FÍSICA Módulo RECUPERAÇÃO: F6 e E.F6 SOM E MÚSICA
Agrupamento de Escolas de Alvaiázere Sede: Escola Básica e Secundária Dr. Manuel Ribeiro Ferreira Curso Profissional de Técnico de Multimédia - 10º ano Ficha de Avaliação de FÍSICA Módulo RECUPERAÇÃO:
Leia maisINF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Leia mais5 Protótipo e Resultados Obtidos
5 Protótipo e Resultados Obtidos 5.1. Introdução Este capítulo apresenta de forma minuciosa o protótipo desenvolvido durante este trabalho, que é uma ferramenta capaz de realizar o treinamento e a detecção
Leia mais2.1. Construção da Pista
2 Malha de Controle Para que se possa controlar um dado sistema é necessário observar e medir suas variáveis de saída para determinar o sinal de controle, que deve ser aplicado ao sistema a cada instante.
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia mais½-NÁRIO. DEPARTAMENTO DE Eletrônica & SISTEMAS
½-NÁRIO DEPARTAMENTO DE Eletrônica & SISTEMAS Prof. Hélio M. de Oliveira, DES Sintetizadores Eletrônicos (teclados digitais): dos sintetizadores analógicos ao Yamaha DX7 Graduação & PPGEE Março 2010.1
Leia maisComo medimos nosso SPL!
Como medimos nosso SPL! Descrevemos aqui a nossa técnica utilizada para medir o nível máximo de pressão sonora linear de uma caixa acústica autoamplificada, considerando informações precisas, repetíveis
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisEstimativa do comportamento vocálico de locutores
Estimativa do comportamento vocálico de locutores E.L. Fernandes da Silva, H. M. de Oliveira Universidade Federal de Pernambuco - UFPE Centro de Tecnologia e Geociencias, Recife. E-mail: lizandra_fernandes@hotmail.com
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisComplexidade Computacional do Algoritmo de Detecção de Energia
4 Simulações Este capítulo apresenta a comparação e avaliação dos algoritmos que foram apresentados no capítulo anterior. O primeiro resultado apresentado é a comparação da complexidade computacional dos
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisAbordagem para Extração Automática de Características para Reconhecimento de Aves Tinamidae Baseada em Análise Espectral
Abordagem para Extração Automática de Características para Reconhecimento de Aves Tinamidae Baseada em Análise Espectral Paulo Francisco da CONCEIÇÃO Escola de Engenharia Elétrica e de Computação pfrancisco43@gmail.com
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisRelatório de pesquisa sobre o procedimento de otimização de modelos no Activate
Relatório de pesquisa sobre o procedimento de otimização de modelos no Activate 1 Introdução Esse trabalho tem por objetivo apresentar o bloco de otimização BobyqaOpt, suas funcionalidades, parâmetros
Leia maisSistema de Ocultação de Dados em Áudio através de Técnicas de Compactação e Espalhamento Espectral
Sistema de Ocultação de Dados em Áudio através de Técnicas de Compactação e Espalhamento Espectral Luiz Diego Aquino ldaquino@gmail.com Orientador: Aurélio Faustino Hoppe SUMÁRIO 1. Introdução 2. Problema
Leia maisTécnicas de aprimoramento de um sistema de acompanhamento musical
Técnicas de aprimoramento de um sistema de acompanhamento musical Roberto Piassi Passos Bodo Instituto de Matemática e Estatística Universidade de São Paulo 12 de Novembro de 2013 Acompanhamento musical
Leia maisDETERMINAÇÃO DA MEIA-VIDA DO CO-57 USANDO DADOS DA VERIFICAÇÃO DIÁRIA DE DETECTORES
2011 International Nuclear Atlantic Conference - INAC 2011 Belo Horizonte,MG, Brazil, October 24-28, 2011 ASSOCIAÇÃO BRASILEIRA DE ENERGIA NUCLEAR - ABEN ISBN: 978-85-99141-04-5 DETERMINAÇÃO DA MEIA-VIDA
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia mais3 Reconhecimento de Voz Distribuído
3 Reconhecimento de Voz Distribuído O conceito de reconhecimento de voz distribuído (DSR Distributed Speech Recognition) foi desenvolvido como uma forma eficiente de transladar a tecnologia de reconhecimento
Leia mais[1] ALCAIM, A.. Processamento de Voz e Imagem. PUC Rio, 1999.
Referências Bibliográficas [1] ALCAIM, A.. Processamento de Voz e Imagem. PUC Rio, 1999. [2] ATAL, B.. Automatic Recognition of speakers from Their Voices. Proceeding of the IEEE, Vol. 64, No. 4, pp. 460-475,
Leia maisClassificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
Leia maisProcessamento Digital de Sinais. Aplicações da DFT. Prof. Dr. Carlos Alberto Ynoguti
Processamento Digital de Sinais Aplicações da DFT Prof. Dr. Carlos Alberto Ynoguti Aplicações da DFT Nesta seção iremos apresentar três aplicações bastante comuns da DFT: 1) Análise espectral de sinais
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisANALISADOR DE ESPECTROS
Sistemas de Medida em Radiofrequência ANALISADOR DE ESPECTROS Prof. Francisco Alegria Outubro de 2003 Analisador de Espectros Visualização e análise de um sinal no domínio da frequência. Determinação do
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisMara Carvalho / Filipe Abreu. Jornadas Interdisciplinares sobre Tecnologias de Apoio Escola Superior de Tecnologia da Saúde de Coimbra
Tecnologias de apoio diagnóstico da voz Mara Carvalho / Filipe Abreu Jornadas Interdisciplinares sobre Tecnologias de Apoio Escola Superior de Tecnologia da Saúde de Coimbra 27 de Setembro de 2007 Índice
Leia maisESTUDO DA DETERMINAÇAO DE PONTOS TERMINAIS (END-POINTS) EM ELOCUÇOES. Marco Antônio Rocca de Andrade * Sidney Cerqueira Bispo dos Santos * SUMÁRIo
"'" ESTUDO DA DETERMINAÇAO DE PONTOS TERMINAIS (END-POINTS) EM ELOCUÇOES Marco Antônio Rocca de Andrade * Sidney Cerqueira Bispo dos Santos * Pesquisa SUMÁRIo A determinação dos pontos terminais (end-points)
Leia maisTrabalhos de Processamento Digital de Sinais
1 Universidade Federal de Uberlândia Trabalhos de Processamento Digital de Sinais Prof. Alan Petrônio Pinheiro Faculdade de Engenharia Elétrica Curso de Engenharia Eletrônica e de Telecomunicações (campus
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia maisCaracterísticas acústicas das vogais e consoantes
Características acústicas das vogais e consoantes APOIO PEDAGÓGICO Prof. Cecília Toledo ceciliavstoledo@gmail. com http://fonologia.org/acustica.php Fonética acústica A Fonética acústica é um ramo da Fonética
Leia maisIdentificação de parâmetros em um modelo matemático para geração da voz humana
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Identificação de parâmetros em um modelo matemático
Leia maisUtilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência.
Utilização do solidthinking Embed em projetos de controle para sistemas embarcados utilizando técnica de controle adaptativo por modelo de referência. Rodrigo de J. Macedo Resumo Apresenta-se, neste artigo,
Leia maisCAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO
182 CAPÍTULO V 5 CONCLUSÕES E RECOMENDAÇÕES 5.1 SÍNTESE DO TRABALHO DESENVOLVIDO Neste trabalho foi proposta uma metodologia para a automação da resseção espacial de imagens digitais baseada no uso hipóteses
Leia mais1. (Fuvest 2012) A figura abaixo representa imagens instantâneas de duas cordas flexíveis idênticas, C
1. (Fuvest 2012) A figura abaixo representa imagens instantâneas de duas cordas flexíveis idênticas, C 1 e C 2, tracionadas por forças diferentes, nas quais se propagam ondas. Durante uma aula, estudantes
Leia maisComputação Musical - Introdução slides do curso Computação Musical
- Introdução slides do curso Departamento de Ciência da Computação Universidade Federal de São João Del Rei 2014/2 O que é computação musical? Denitivamente é computação. Relacionada e aplicada à música.
Leia maisESTUDO DE ALGORITMO DE SEGMENTAÇÃO DE FALA
ESTUDO DE ALGORITMO DE SEGMENTAÇÃO DE FALA Vinicius de Souza 1, Marcelo de Oliveira Rosa 2 1,2 Departamento Acadêmico de Eletrotécnica Campus Curitiba Universidade Tecnológica Federal do Paraná - UTFPR
Leia mais2 Trabalhos relacionados
2 Trabalhos relacionados Há diversas abordagens na literatura para os problemas analisados nesta dissertação. Podemos dividir os trabalhos pesquisados inicialmente entre os que trabalham no domínio comprimido
Leia maisEstimação de F 0 via MDC aproximado e agrupamento por K-médias ponderado
Estimação de F 0 via MDC aproximado e agrupamento por K-médias ponderado Marcelo de Oliveira Rosa Resumo Dado um conjunto de frequências de sinais parciais presentes em segmentos de sinais enjanelados
Leia maisAula 3- Codificação de Canal. October 18, 2017
ELE-32 Introdução a Comunicações Aula 3- Codificação de Canal October 18, 2017 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits. Entretanto,
Leia maisProcessamento digital de. Distorções
Processamento digital de imagens Distorções Distorções radiométricas No processo de aquisição, o verdadeiro valor da energia é distorcido por diferentes fatores entre os quais podem ser citados: calibração
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisSistemas de Dígitos Verificadores Ótimos baseados em Aritmética Modular
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Sistemas de Dígitos Verificadores Ótimos baseados em Aritmética Modular
Leia maisDepartamento de Electrónica, Telecomunicações e Informática. 1 Entrega do Trabalho e avaliação. 2 Sintetizador. Processamento Digital de Sinal
Departamento de Electrónica, Telecomunicações e Informática Processamento Digital de Sinal Trabalho Prático n o 1: Sintetizador de Música Neste trabalho pretende-se que os alunos construam um sintetizador
Leia maisProcessamento de Som com Escala de Mel para Reconhecimento de Voz
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA Processamento de Som com Escala de Mel para Reconhecimento de Voz INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA Professor: Marcelo
Leia maisEET-61 Introdução a Teoria da Informação
EET-61 Introdução a Teoria da Informação Aula 3- Codificação de Canal October 24, 2018 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits.
Leia mais6 Aplicações Detalhes da Implementação
6 Aplicações Neste trabalho, é importante implementar aplicações de interação em tempo real para que seja possível avaliar a aplicabilidade das técnicas de Visão Computacional descritas ao longo dos capítulos
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia mais4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
Leia mais5 Implementação da Metodologia
5 Implementação da Metodologia A implementação da metodologia proposta no Capítulo 4 é possível devido ao importante avanço que os métodos numéricos e a capacidade de processamento computacional atuais
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia mais4.8 Simulação 6 - Três fontes sonoras e fonte de referência com amplitude variável
85 Para utilização deste sinal no filtro adaptativo, o parâmetro µ (razão de convergência) é modificado para o valor de 0,01. Os outros parâmetros se mantêm os mesmo da simulação inicial. O resultado obtido
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisParâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.
Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências
Leia maisAPI para obtenção da Frequência de um Sinal de Som por meio da FFT em Java ME
API para obtenção da Frequência de um Sinal de Som por meio da FFT em Java ME Marcelo Ruaro Departamento de Engenharias e Ciência da Computação Universidade Regional Integrada do Alto Uruguai e das Missões
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisAtividades de Recuperação Paralela de Física
Atividades de Recuperação Paralela de Física 9º ano Ensino Fundamental 1 Trimestre 2019 Conteúdos: Capítulo 1: Fenômenos Periódicos Período e Frequência Capítulo. 2: Ondas. Características de uma onda:
Leia maisRECONHECIMENTO DE AVES DE NOMES ONOMATOPÉICOS UTILIZANDO ÁRVORE DE DECISÃO
RECONHECIMENTO DE AVES DE NOMES ONOMATOPÉICOS UTILIZANDO ÁRVORE DE DECISÃO Célio S. de Brito Junior 1, Paulo César M. Machado 1 e Rodrigo P. Lemos 1 1 Escola de Engenharia Elétrica e de Computação Universidade
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia mais5 Análise Experimental
5 Análise Experimental 5.1. Base de dados para testes Foram gravados diversos vídeos que serviram para realizar os testes realizados nesta dissertação. Cada um dos vídeos gerados para medir qualidade da
Leia mais4 Simulação da localização em microcélulas
4 Simulação da localização em microcélulas Neste capítulo é apresentado o ambiente de simulações desenvolvido, composto pelo programa de traçado de raios em ambientes 3D e o programa desenvolvido para
Leia maisCurso: Análise e Desenvolvimento de Sistemas. (Introdução à Comunicação e Transmissão de Sinais)
Curso: Análise e Desenvolvimento de Sistemas Disciplina Processamento de Mídias e Sinais (Introdução à Comunicação e Transmissão de Sinais) Prof. Wagner Santos C. de Jesus wsantoscj@gmail.com Breve Histórico
Leia maisCombinação de Classificadores (seleção)
Combinação de Classificadores (seleção) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Seleção de classificadores Estimativa independente de decisão Estimativa dependente de decisão
Leia mais4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Leia maisMódulo 5. Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis
Módulo 5 Estudos de sistemas de medição por atributos, Sistemas complexos/não replicáveis Conteúdos deste módulo Estudos por atributos Método da tabulação cruzada Caso 1 Método da tabulação cruzada Caso
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisCerca de um quarto da prova será fácil, dois quartos terão grau
Enem em 14 Respostas fonte :http://g1.globo.com/noticias/vestibular/0,,mul1250990-5604,00.html 1 - Quanto valerá cada questão da prova do Enem? Cerca de um quarto da prova será fácil, dois quartos terão
Leia maisCompressão de Áudio Digital. Aluno: Marcio Masaki Tomiyoshi Supervisor: Marcelo Gomes de Queiroz
Compressão de Áudio Digital Aluno: Marcio Masaki Tomiyoshi Supervisor: Marcelo Gomes de Queiroz Introdução Motivações Com perdas (lossy) o MP3 Sem perdas (lossless) o FLAC Representação Digital do Som
Leia maisDesenvolvimento de Aplicativo de Aquisição e Processamento de Voz. Development of a mobile Application to Acquisition and Voice Processing RESUMO
Desenvolvimento de Aplicativo de Aquisição e Processamento de Voz https://eventos.utfpr.edu.br//sei/sei2018 Development of a mobile Application to Acquisition and Voice Processing Autor Pedro Henrique
Leia maisFlávio G F Camacho Vipnet Baixada Telecomunicações e Informática LTDA
Flávio G F Camacho Vipnet Baixada Telecomunicações e Informática LTDA Sede em Duque de Caxias / RJ Filial em São João de Meriti / RJ Foco exclusivo fornecimento de links dedicados a empresas. Sempre com
Leia maisUm modelo do Método dos Volumes Finitos com malha não estruturada
Trabalho apresentado no III CMAC - SE, Vitória-ES, 015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um modelo do Método dos Volumes Finitos com malha não estruturada
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
Leia maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia maisJuliano M. Gonçalves, Daniel B. Santos e Wagner Pereira
1 Desenvolvimento de Tecnologia para Localização de Defeitos em Cabos Subterrâneos de Baixa Tensão André N. de Souza, Paulo S. da Silva, Paulo R. Aguiar, Fábio R. L. Dotto, Rogério Thomazella, Jorge F.
Leia maisEXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Leia maisUniversidade Federal de Pernambuco
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática Análise de Comportamento de Sistemas DASH com Teoria de Controle em Redes 3G Aluno: Daniel Bezerra { db@cin.ufpe.br
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisCaracterísticas da duração do ruído das fricativas de uma amostra do Português Brasileiro
Estudos da Língua(gem) Características da duração do ruído das fricativas de uma amostra do Português Brasileiro Characteristics of the duration of the fricative noise of a sample of Brazilian Portuguese
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia mais